मानव मस्तिष्क विद्युत गतिविधि का एक विशाल, शोर भरा परिदृश्य है, जो लगातार संकेत भेजता रहता है जो हमारे विचारों, गतिविधियों और भावनाओं को दर्शाते हैं। जब वैज्ञानिक यह समझना चाहते हैं कि हम कैसा महसूस करते हैं, तो वे अक्सर इन विद्युत संकेतों को देखते हैं, जिसे इलेक्ट्रोएन्सेफलोग्राफी या ईईजी (EEG) कहा जाता है, जो स्कैल्प (खोपड़ी) से रिकॉर्ड किए जाते हैं। यह मन की एक सीधी खिड़की है, लेकिन इसे पढ़ना कठिन भी है। ये संकेत कमजोर होते हैं, मांसपेशियों की हलचल से आसानी से विकृत हो जाते हैं, और एक व्यक्ति से दूसरे व्यक्ति में बहुत भिन्न होते हैं। एक पैटर्न जो एक व्यक्ति में खुशी का स्पष्ट संकेत देता है, वह दूसरे व्यक्ति में भ्रम जैसा दिख सकता है। यह परिवर्तनशीलता ऐसी मशीनें बनाने में एक बड़ी बाधा उत्पन्न करती है जो भावनाओं को पहचान सकें। मौजूदा अधिकांश प्रणालियाँ उन छात्रों की तरह हैं जो किसी विशिष्ट परीक्षा के उत्तर रट लेते हैं; वे उन लोगों पर अच्छा काम करती हैं जिनके लिए उन्हें प्रशिक्षित किया गया था, लेकिन एक नए व्यक्ति के सामने आने पर पूरी तरह विफल हो जाती हैं। आधुनिक शोध का लक्ष्य ऐसी प्रणालियाँ बनाना है जो सामान्यीकरण (generalize) कर सकें, यानी बिना यह देखे कि वह व्यक्ति कौन है, भावना की सार्वभौमिक भाषा को पहचान सकें।

शोधकर्ताओं के एक दल ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिससे एक ऐसी प्रणाली बनाई गई है जो उच्च सटीकता के साथ अनदेखे व्यक्तियों में भावनाओं की पहचान कर सकती है। वे अपने इस तरीके को AdaTF-HyperMIL कहते हैं, जो एक ऐसा ढांचा है जिसे प्रत्येक क्षण और प्रत्येक व्यक्ति की अनूठी विशेषताओं के अनुकूल ढलने के लिए डिज़ाइन किया गया है। मस्तिष्क के संकेतों की अव्यवस्थता से निपटने के लिए, यह हर मस्तिष्क संकेत को एक ही कठोर सांचे में ढालने के बजाय, एक लचीले पर्यवेक्षक की तरह कार्य करता है जो विभिन्न साक्ष्यों को तौलना सीखता है। यह समझता है कि मस्तिष्क रिकॉर्डिंग के कुछ हिस्से दूसरों की तुलना में अधिक महत्वपूर्ण हैं, विभिन्न समय पैमानों (time scales) की गतिविधि अलग-अलग भावनाओं के लिए मायने रखती है, और सिग्नल में समय और आवृत्ति (frequency) के बीच का संबंध जटिल है। इन अंतर्दृष्टि को एक गणितीय रणनीति के साथ जोड़कर, जो सूचना को एक घुमावदार स्थान (curved space) में व्यवस्थित करती है, यह प्रणाली भावनाओं के उन सामान्य धागों को खोजने में सक्षम होती है जो विभिन्न मनुष्यों में बने रहते हैं।

शोधकर्ताओं ने जिस मुख्य चुनौती का सामना किया वह यह थी कि एक भावनात्मक अवस्था केवल एक एकल, स्थिर घटना नहीं है, बल्कि एक प्रक्रिया है जो समय के साथ विकसित होती है। किसी व्यक्ति के खुश होने का रिकॉर्ड केवल एक स्नैपशॉट नहीं है; यह डेटा की छोटी खिड़कियों (windows) की एक श्रृंखला है, जिनमें से कुछ स्पष्ट होती हैं और अन्य शोर भरी या अप्रासंगिक होती हैं। पिछले तरीकों ने अक्सर डेटा की प्रत्येक खिड़की को समान माना, यह मानकर कि यदि किसी व्यक्ति को एक परीक्षण के लिए "खुश" के रूप में लेबल किया गया है, तो उस परीक्षण का हर सेकंड खुश होना चाहिए। नई प्रणाली इस धारणा को खारिज करती है। यह पहचानती है कि एक ही परीक्षण के भीतर, कुछ क्षण वास्तविक भावनात्मक संकेत देते हैं जबकि अन्य केवल बैकग्राउंड शोर होते हैं। इसे संभालने के लिए, प्रणाली एक ऐसी तकनीक का उपयोग करती है जो इसे सबसे अधिक सूचनात्मक खिड़कियों को चुनने और बाकी को अनदेखा करने की अनुमति देती है, जिससे प्रभावी रूप से शोर को हटाकर संगीत को सुना जा सके।

इसके अलावा, शोधकर्ताओं ने महसूस किया कि मस्तिष्क की विद्युत गतिविधि अलग-अलग गति से बदलती है। कुछ भावनात्मक बदलाव पलक झपकते ही होते हैं, जबकि अन्य लंबी अवधि में धीरे-धीरे बनते हैं। पुराने मॉडल इन परिवर्तनों को उन निश्चित उपकरणों का उपयोग करके पकड़ने की कोशिश करते थे जो मस्तिष्क को केवल एक ही गति पर देखते थे या उन्हें एक कठोर तरीके से मिलाते थे। नई प्रणाली एक डायनेमिक रूटिंग मैकेनिज्म पेश करती है जो प्रत्येक डेटा के टुकड़े के लिए यह तय करती है कि कौन सा समय पैमाना सबसे उपयोगी है। यह ऐसा है जैसे प्रणाली के पास अलग-अलग फोकल लेंथ वाले लेंसों का एक सेट है और वह देखे जा रहे विशिष्ट दृश्य के लिए सही लेंस चुनती है। यह तीव्र, क्षणिक परिवर्तनों और धीमी, अधिक निरंतर पैटर्न दोनों को पकड़ने की अनुमति देता है, जिससे यह वर्तमान क्षण में मस्तिष्क जो वास्तव में कर रहा है, उसके आधार पर अपना ध्यान केंद्रित करता है।

इन संकेतों को समझने के लिए, प्रणाली यह भी देखती है कि समय और आवृत्ति कैसे परस्पर क्रिया करते हैं। मस्तिष्क के संकेतों को अक्सर उनके लय (समय) और उनकी पिच (आवृत्ति) के संदर्भ में वर्णित किया जाता है, और ये दोनों पहलू गहराई से जुड़े हुए हैं। शोधकर्ताओं ने एक ऐसा तंत्र बनाया है जो इन दोनों दृश्यों को आपस में बात करने, सूचनाओं का आदान-प्रदान करने और एक समृद्ध चित्र बनाने की अनुमति देता है। इन दृश्यों को एक के ऊपर एक रखने के बजाय, प्रणाली एक गेटिंग प्रक्रिया का उपयोग करती है ताकि यह तय किया जा सके कि प्रत्येक विशिष्ट इनपुट के लिए समय-आधारित जानकारी को कितनी प्राथमिकता दी जाए बनाम आवृत्ति-आधारित जानकारी को। यह सुनिश्चित करता है कि अंतिम भावनात्मक समझ दोनों दृष्टिकोणों का एक संतुलित संलयन (fusion) हो, जो डेटा की विशिष्ट आवश्यकताओं के अनुरूप हो।

एक बार जब प्रणाली एक परीक्षण की विभिन्न खिड़कियों से साक्ष्य एकत्र कर लेती है और उन्हें परिष्कृत कर लेती है, तो उसे उन्हें एक एकल भविष्यवाणी में संयोजित करना होता है। यहाँ, शोधकर्ताओं ने 'मल्टीपल-इंस्टेंस लर्निंग' नामक एक रणनीति का उपयोग किया। कल्पना कीजिए कि कंचों (marbles) का एक थैला है जहाँ केवल थैले पर लेबल लगा है, लेकिन व्यक्तिगत कंचों पर नहीं। प्रणाली का काम यह पता लगाना है कि थैले के लेबल को निर्धारित करने के लिए कौन से कंचे सबसे महत्वपूर्ण हैं। इस मामले में, "थैला" संपूर्ण भावनात्मक परीक्षण है, और "कंचे" मस्तिष्क गतिविधि की छोटी खिड़कियाँ हैं। प्रणाली यह सीखने में सक्षम है कि किन खिड़कियों को मजबूत भावनात्मक संकेतों के लिए उच्च महत्व देना है और शोर वाली खिड़कियों को कम महत्व देना है। यह उसे अपूर्ण डेटा के बावजूद परीक्षण का एक विश्वसनीय प्रतिनिधित्व बनाने की अनुमति देता है।

अंतिम चरण में इन प्रस्तुतियों को इस तरह से व्यवस्थित करना शामिल है जिससे विभिन्न लोगों के बीच भी विभिन्न भावनाओं के बीच अंतर करना आसान हो जाए। शोधकर्ताओं ने एक गणितीय स्थान का उपयोग किया जो मुड़ा हुआ है, जिसे हाइपरबोलिक स्पेस (hyperbolic space) कहा जाता है। इस घुमावदार स्थान में, प्रणाली सम समान भावनाओं को एक साथ समूहित कर सकती है और विभिन्न भावनाओं को एक-दूसरे से अधिक प्रभावी ढंग से दूर धकेल सकती है। यह ज्यामितीय दृष्टिकोण प्रणाली को इस तथ्य को संभालने में मदद करता है कि विभिन्न लोगों से प्राप्त भावनात्मक डेटा विस्थापित या विकृत हो सकता है। इस घुमावदार परिदृश्य में नेविगेट करना सीखकर, प्रणाली प्रत्येक भावना श्रेणी के वास्तविक केंद्र को पा सकती है, जिससे नए, अनदेखे डेटा को सही ढंग से वर्गीकृत करना आसान हो जाता है।

इस कार्य के परिणाम उत्साहजनक हैं। वैज्ञानिक समुदाय द्वारा उपयोग किए जाने वाले तीन अलग-अलग मानक डेटासेट्स पर परीक्षण करने पर, प्रणाली ने उच्च स्तर की सटीकता हासिल की। तीन प्रकार की भावनाओं वाले डेटासेट के लिए, इसने लगभग 95% मामलों में भावना को सही ढंग से पहचाना। चार प्रकार की भावनाओं वाले अधिक जटिल डेटासेट के लिए, यह लगभग 82% मामलों में सफल रही। इसने उन डेटासेट्स पर भी अच्छा प्रदर्शन किया जो भावना के दो आयामों को मापते हैं: एक व्यक्ति कितना उत्साहित या शांत महसूस करता है, और वह कितना सकारात्मक या नकारात्मक महसूस करता है। हालाँकि, शोधकर्ता नोट करते हैं कि जबकि प्रणाली ने पिछले तरीकों की तुलना में उच्च समग्र स्कोर प्राप्त किया, लेकिन व्यक्तिगत विषयों की एक-एक करके सबसे मजबूत बेसलाइन के मुकाबले तुलना करने पर सुधार सांख्यिकीय रूप से महत्वपूर्ण (statistically significant) नहीं थे। यह सुझाव देता है कि जबकि नया दृष्टिकोण मजबूत और प्रभावी है, विषय-स्वतंत्र (subject-independent) भावना पहचान की चुनौती अभी भी पूरी तरह से हल नहीं हुई है। उपयोग किए गए डेटासेट्स नियंत्रित प्रयोगशाला सेटिंग्स में विशिष्ट उद्दीपनों (stimuli) के साथ एकत्र किए गए थे, इसलिए यह देखना बाकी है कि यह प्रणाली प्राकृतिक भावनाओं और विभिन्न रिकॉर्डिंग उपकरणों के साथ वास्तविक दुनिया में कितनी अच्छी तरह काम करेगी। अध्ययन यह भी रेखांकित करता है कि प्रणाली की महत्वपूर्ण खिड़कियों को चुनने और अपने समय पैमानों को अनुकूलित करने की क्षमता इसकी सफलता के प्रमुख कारक हैं, क्योंकि इन विशेषताओं को हटाने से प्रदर्शन में गिरावट आई।

अंततः, यह शोध उन मशीनों की ओर एक स्पष्ट मार्ग प्रदान करता है जो वास्तव में मानव भावना को समझ सकती हैं। एक-आकार-सभी-के-लिए (one-size-fits-all) वाले कठोर मॉडलों से दूर जाकर और अनुकूलन योग्य, साक्ष्य-आधारित चयन को अपनाकर, यह प्रणाली मानव मस्तिष्क की लचीली प्रकृति को दर्शाती है। यह डेटा को इस पूर्व-निर्धारित धारणा में फिट करने के लिए मजबूर नहीं करती है कि एक भावना कैसी दिखनी चाहिए; इसके बजाय, यह डेटा को सुनना सीखती है, शोर में से सार्थक संकेतों को चुनती है। हालांकि हर वास्तविक दुनिया के परिदृश्य में इन प्रणालियों को कार्य करने में सक्षम बनाने के लिए अभी भी काम किया जाना बाकी है, यह अध्ययन प्रदर्शित करता है कि मस्तिष्क संकेतों को निकालने और व्यवस्थित करने के तरीके को सावधानीपूर्वक डिजाइन करके, हम पहले की तुलना में कहीं अधिक संवेदनशील और विश्वसनीय उपकरण बना सकते हैं। आगे का रास्ता इन अनुकूलन योग्य तंत्रों को और अधिक परिष्कृत करने में निहित है, जो हमें एक ऐसे भविष्य के करीब लाता है जहाँ तकनीक वास्तव में हमारे आंतरिक भावनात्मक जीवन के साथ जुड़ सके।